SG-LSTM：用于机器人在密集人群中导航的社会群体LSTM
机器人学
2023-08-08 v2 人工智能
多智能体系统
摘要
随着个人机器人的可及性与可负担性日益提高，它们将不再局限于大型公司仓库或工厂，而是预期在较少受控的环境中与更大规模的人群协同作业。除确保安全与效率外，关键在于尽量减少机器人可能对人类造成的负面心理影响，并在此类情境中遵循不成文的社会规范。我们的研究旨在开发一种可预测拥挤环境中行人及感知社会群体运动的模型。我们提出一种新的社会群体长短期记忆（Social Group Long Short-term Memory, SG-LSTM）模型，该模型利用具有社会感知的LSTM对密集环境中的人群与交互建模，以产生更精确的轨迹预测。我们的方法使导航算法能在拥挤环境中更快速、更准确地计算无碰撞路径。此外，我们也为更广泛的社会导航社区发布了一个带有标注行人群体的大型视频数据集。我们展示了在不同数据集（ETH、Hotel、MOT15）与不同预测方法（LIN、LSTM、O-LSTM、S-LSTM）上以不同指标的对比以及运行时间性能。
引用
@article{arxiv.2303.04320,
title = {SG-LSTM: Social Group LSTM for Robot Navigation Through Dense Crowds},
author = {Rashmi Bhaskara and Maurice Chiu and Aniket Bera},
journal= {arXiv preprint arXiv:2303.04320},
year = {2023}
}
备注
To appear in 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2023)